CN111539279B - 道路限高高度检测方法、装置、设备及存储介质 - Google Patents
道路限高高度检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111539279B CN111539279B CN202010291488.3A CN202010291488A CN111539279B CN 111539279 B CN111539279 B CN 111539279B CN 202010291488 A CN202010291488 A CN 202010291488A CN 111539279 B CN111539279 B CN 111539279B
- Authority
- CN
- China
- Prior art keywords
- height
- limiting
- image
- limit
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 18
- 238000005259 measurement Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
本发明实施例提供一种道路限高高度检测方法、装置、设备及存储介质,所述方法包括:采集前方道路的实时图像;对所述实时图像进行识别,若识别到所述实时图像中用于记录前方道路限高高度的限高标识,则获取所述限高标识;基于所述限高标识,获取前方道路的限高高度;本发明实施例提供的道路限高高度检测方法,通过采集前方道路的实时图像,并对实时图像进行识别,获取实时图像中的限高标识,最后基于限高标识获取前方道路的限高高度,改善了现有技术中限高高度识别精度低的问题,在提高了识别精度的基础上还节约了成本。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种道路限高高度检测方法、装置、设备及存储介质。
背景技术
随着现代城市交通的蓬勃发展,超高大货车的卡桥、撞桥或侧翻等事故的发生率也逐年递增。交通管理部门多数采用增设限高标志和限高杆等措施进行防范,但此类交通事故还是时有发生,事故会对车辆及限高装置本身造成损伤,甚至造成人员伤亡。为了减少此类事故发生,需要在道路前方有限高装置或者建筑时,对司机及时进行预警。
目前,已有基于超声波、激光和红外线的非接触式车辆限高仪,用于对超高货车司机进行提示,但这些装置均存在价格昂贵、适应性差、调试困难以及误报率高等缺点。
因此,提出一种精度高且成本低的道路限高高度检测方法是亟需解决的问题。
发明内容
针对现有存在的问题,本发明实施例提供一种道路限高高度检测方法、装置、设备及存储介质
第一方面,本发明实施例提供一种道路限高高度检测方法,包括:
采集前方道路的实时图像;
对所述实时图像进行识别,若识别到所述实时图像中用于记录前方道路限高高度的限高标识,则获取所述限高标识;
基于所述限高标识,获取前方道路的限高高度。
可选地,所述方法还包括:
若未识别到所述限高标识,则对所述实时图像进行分割处理,得到前方道路中的限高物体的分割图像;
获取所述分割图像中限高物体的限高顶点和限高底点;
根据所述限高顶点和所述限高底点,获取前方道路的限高高度。
可选地,所述获取所述分割图像中限高物体的限高顶点和限高底点,具体包括:
根据所述限高物体在所述分割图像中的最小内接矩形,确定所述限高顶点和所述限高底点。
可选地,所述根据所述限高顶点和所述限高底点,获取前方道路的限高高度,具体包括:
对所述限高顶点和所述限高底点进行去畸变操作,获取所述限高顶点和所述限高底点的图像坐标;
根据所述限高顶点和所述限高底点的图像坐标,利用坐标转换计算得到所述限高顶点的世界坐标;
根据所述限高顶点的世界坐标获取所述限高高度。
可选地,所述对所述限高顶点和所述限高底点进行去畸变操作,获取所述限高顶点和所述限高底点的图像坐标,具体包括:
基于对采集实时图像的实体相机进行标定得到的内部参数,通过对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,得到所述限高顶点和所述限高底点在理想相机中的图像坐标系中的坐标;
其中,所述实体相机内部参数包括所述实体相机的横轴焦距fx、纵轴焦距fy、主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3]。
可选地,所述基于对采集实时图像的实体相机进行标定得到的内部参数,通过对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,得到所述限高顶点和所述限高底点在理想相机中的图像坐标系中的坐标,具体包括:
应用下列公式:
un′=x×(1+k1×r2+k2×r4+k3×r6)+2×p1×x×y+p2×(r2+2x2)
vn′=y×(1+k1×r2+k2×r4+k3×r6)+2×p2×x×y+p2×(r2+2y2)
确定限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)和限高底点在理想相机中的图像坐标系中的坐标(uL,vL);
其中,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);(un′,vn′)为限高顶点在实体相机中的图像坐标系中的坐标(uT′,vT′)或限高底点在实体相机中的图像坐标系中的坐标为(uL′,vL′),uT′,vT′,uL′和vL′都为常数,fx为所述实体相机的横轴焦距,fy为所述实体相机的纵轴焦距,(cx,cy)为所述实体相机的主点坐标,[k1,k2,p1,p2,k3]为所述实体相机的畸变系数。
可选地,所述根据所述限高顶点和所述限高底点的图像坐标,利用坐标转换计算得到所述限高顶点的世界坐标,具体包括:
应用下列公式:
确定限高顶点在世界坐标系中的Z轴坐标ZwT;
其中,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);(Xwn,Ywn,Zwn)是坐标为(un,vn)的点在世界坐标系下对应的坐标,Zwn为限高顶点在世界坐标系中的Z轴坐标ZwT或限高底点在世界坐标系中的Z轴坐标ZwL,ZwL是一个常数;Zc为是一个常数;K是所述实体相机的内参矩阵,R是所述实体相机的外参旋转矩阵,T是所述实体相机的外参平移矩阵。
第二方面,本发明实施例提供一种道路限高高度检测装置,包括:
采集模块,用于采集前方道路的实时图像;
识别模块,用于对所述实时图像进行识别,获取所述实时图像中用于记录前方道路限高高度的限高标识;
高度获取模块,用于基于所述限高标识,获取前方道路的限高高度。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面提出的所述道路限高高度检测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面提出的所述道路限高高度检测方法的步骤。
本发明实施例提供的道路限高高度检测方法、装置、设备及存储介质,通过采集前方道路的实时图像,并对实时图像进行识别,获取实时图像中的限高标识,最后基于限高标识获取前方道路的限高高度,改善了现有技术中限高高度识别精度低的问题,在提高了识别精度的基础上还节约了成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的道路限高高度检测方法流程示意图;
图2为本发明另一实施例提供的道路限高高度检测方法流程示意图;
图3为本发明一实施例提供的道路限高高度检测装置结构示意图;
图4为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于视觉的高度测量算法是高度测量中一个重要的分支,分别有基于双目视觉和单目视觉的方式。双目立体视觉技术是机器视觉中的一种重要技术,它是模仿人眼的视觉特点,利用两台不同位置的摄像机模拟人眼。双目立体视觉技术主要运用视差原理,从不同的成像设备中获取图像信息,进而获取物体的三维几何信息。双目视觉三维测量技术具有非接触、系统结构简单、成本低、速度快及精度较高等优点,因而被广泛应用在三维测量领域。但是双目视觉方案相较于单目视觉方案而言,其成本更高,且实时计算量更大;对于单目视觉而言,成本相对较低,虽然物体距离越远,测高的精度就越差,但是可以根据更优的算法进行优化,提高测量的精度。
在图像的分割领域中,现有的算法有背景建模算法,背景建模是目标检测的一种重要技术,用来从视频序列图像中将运动目标从背景图像中分割提取出来,从而得到目标前景物体的轮廓信息背景建模的难点在于环境光照的变化、背景的多模态性以及运动物体的阴影等。在众多基于背景建模的目标检测算法中,ViBe算法因其具有占用内存少、初始化快、性能优良、抗噪能力好及软硬件兼容性好等优点而被广泛使用基于背景建模的车体前景分割可以很好地将车体轮廓信息从视频序列图像中提取出来。但是将摄像头安装在车辆上时,背景是实时变化的,此时背景建模的受到极大的干扰,背景建模的效果受到很大的影响,不能较好的区分出背景与检测目标。另一方面,随着深度学习神经网络算法的不断发展,以及嵌入式平台算力的不断提高,在车载嵌入式平台上可以实现实例分割网络的实时运行,且分割网络对限高杆、隧道和桥墩的检测更优于传统算法。
因此,可以考虑将深度学习分割网络和单目视觉技术进行结合,在目标检测和测量方面具有明显优势,同时针对目前车辆限高方法的局限,提出一种基于背景建模和双目视觉的车辆限高方法,显得十分有意义。
本发明各实施例为了解决上述技术问题,利用单目相机实时采集道路环境下的视频图像,采用深度学习目标检测神经网络SSD(single shot multibox detector,多框预测目标检测算法)对限高标识牌进行检测并识别其限高的高度,在检测不到限高标识牌的情况下,同步进行的是,采用deeplabv3+算法(Encoder-Decoder with Atrous SeparableConvolution for Semantic Image Segmentation基于空洞可分离卷积的编码-解码实现图像语义分割算法)分割网络对每一帧图像进行背景、限高杆、隧道口和桥墩这四类的分割,计算其高度。
本发明各实施例提出的道路限高高度检测方法的主要构思为:采用深度学习目标检测神经网络SSD对限高杆、隧道口和桥墩上等处的限高标识牌进行检测并识别其限高的高度,与其同步进行的是,在检测不到限高标识牌时采用deeplabv3+算法对每一帧图像进行背景、限高杆、隧道口和桥墩这四类的分割,将这四类分别填充成四种颜色,并利用颜色作为先验知识,寻找限高杆、隧道口或桥墩的最小内接矩形,通过最小内接矩形的最高点和最低点来测算限高杆、隧道口、桥墩限制车辆通行的最小高度。
本发明各实施例提出的方法可以在城市道路或高速公路条件下可以准确、实时地测算车辆前方限高杆、隧道口或桥墩限制车辆通行的最小高度,属于图像处理和机器视觉领域,可以应用在智能交通领域中的车辆安全辅助驾驶系统,用以解决现有的车辆限高检测方法存在的精度较低、设备成本较高等的一系列问题。
以下结合多个实施例进行详细介绍。
图1为本发明一实施例提供的道路限高高度检测方法流程示意图,如图1所述,所述道路限高高度检测方法,包括:
步骤100,采集前方道路的实时图像;
具体地,将实体相机安装在汽车前挡风玻璃内侧,使其保持水平,测量相机的高度;然后调节标定杠的高度使其与实体相机等高,调节实体相机镜头的位置,使得标定杠顶部与实体相机的主点坐标(cx,cy)重合;然后用该实体相机实时采集道路环境下的视频图像。
本实施例中,为节约成本,实体相机可以选用单目相机;采用单目相机对前方道路的实时图像进行采集时,将单目相机安装在汽车前挡风玻璃内侧,使其保持水平,测量相机的高度;然后调节标定杠的高度使其与单目相机等高,调节单目相机镜头的位置,使得标定杠顶部与相机的主点坐标(cx,cy)重合;然后用所述该单目相机实时采集道路环境下的视频图像。
步骤101,对所述实时图像进行识别,若识别到所述实时图像中用于记录前方道路限高高度的限高标识,则获取所述限高标识;
具体地,可以对前方道路的实时图像进行识别,判断实时图像中是否有限高标识牌,比如限高杆、隧道口或桥墩上等处的限高标识牌,若经识别判断得到实时图像中有用于记录前方道路上的限高杆、隧道口或桥墩上等处的限高高度的限高标识,则获取这一限高标识。
本实施例中,可以采用深度学习目标检测神经网络SSD算法对前方道路的实时图像进行识别,判断实时图像中是否有限高标识牌比如限高杆、隧道口或桥墩上等处的限高标识牌,若经识别判断得到实时图像中有用于记录前方道路上的限高杆、隧道口或桥墩上等处的限高高度的限高标识,则获取这一限高标识。
可以理解的是,所有如深度学习目标检测神经网络SSD算法一样可实现对前方道路的实时图像进行识别判断的算法,均可在本实施例中作为用于对实时图像进行识别判断的工具。
步骤102,基于所述限高标识,获取前方道路的限高高度。
具体地,在识别到实时图像中有限高标识后,进一步地对实时图像中的限高标识进行识别,得到限高标识上的限高高度,即为前方道路的限高高度。
本发明实施例提供的限高检测方法,通过采集前方道路的实时图像,并对实时图像进行识别,获取实时图像中的限高标识,最后基于限高标识获取前方道路的限高高度,改善了现有技术中限高高度识别精度低的问题,在提高了识别精度的基础上还节约了成本。
可选地,在上述实施例的基础上,所述方法还包括:
若未识别到所述限高标识,则对所述实时图像进行分割处理,得到前方道路中的限高物体的分割图像;
具体地,在对前方道路的实时图像进行检测,判断实时图像中是否有限高标识牌时,若没识别到限高标识,则可以对实时图像进行分割处理,将对车辆限高的具体建筑或物体比如限高杆、隧道口和桥墩从实时图像中分割出来,得到限高物体的分割图像,以帮助对限高高度的检测。
本实施例中,可以采用deeplabv3+算法对每一帧图像进行背景、限高杆、隧道口和桥墩这四类的分割,将这四类分别填充成四种颜色,得到限高物体的分割图像。
可以理解的是,所有如deeplabv3+算法一样可实现对每一帧图像进行背景与限高物体的分割的算法或者方式,均可在本实施例中作为用于对实时图像进行分割的工具或者方式。
获取所述分割图像中限高物体的限高顶点和限高底点;
具体地,在得到限高物体的分割图像以后,可以利用分割处理时填充的颜色作为先验知识,寻找分割图像中限高物体的限高顶点和限高底点,即限高物体的最高点与最低点。
根据所述限高顶点和所述限高底点,获取前方道路的限高高度。
具体地,在得到限高物体的限高顶点和限高底点后,可以根据限高顶点和限高底点的现实高度差,得到前方道路的限高高度。
可选地,在上述实施例的基础上,所述获取所述分割图像中限高物体的限高顶点和限高底点,具体包括:
根据所述限高物体在所述分割图像中的最小内接矩形,确定所述限高顶点和所述限高底点。
具体地,在得到限高物体的分割图像以后,可以利用分割处理时填充的颜色作为先验知识,寻找限高物体的最小内接矩形,并得到最小内接矩形的限高顶点和限高底点,即为限高物体的最高点和最低点,并根据最小内接矩形的最高点和最低点来检测计算得到限高物体比如限高杆、隧道口、桥墩限制车辆通行的最小高度。
本实施例中,可以首先采用deeplabv3+算法对每一帧图像进行背景、限高杆、隧道口和桥墩这四类的分割,将这四类分别填充成四种颜色,并利用颜色作为先验知识,寻找限高杆、隧道口或桥墩的最小内接矩形,通过最小内接矩形的最高点和最低点来测算限高杆、隧道口或桥墩限制车辆通行的最小高度。
可选地,在上述实施例的基础上,所述根据所述限高顶点和所述限高底点,获取前方道路的限高高度,具体包括:
对所述限高顶点和所述限高底点进行去畸变操作,获取所述限高顶点和所述限高底点的图像坐标;
具体地,在得到了限高物体的限高顶点和限高底点后,可以根据限高物体的限高顶点和限高底点之间的距离得到限高物体限制车辆通行的最小高度,即前方道路的限高高度。但由于相机镜头存在一定的畸变,因此不能直接根据现有的限高顶点和限高底点的图像坐标直接进行计算得到两者之间的距离并进一步得到前方道路的限高高度。因此,本实施例中,可以对限高顶点和限高底点进行去除畸变的操作,得到限高顶点和限高底点在理想相机下的像素点的图像坐标。
在本实施例中,只对限高顶点和限高底点这两个点进行去畸变的运算,与现有技术中对一帧图片所有像素点进行重映射计算,大大减小了运算量,提高的检测效率,也降低了计算复杂度。
根据所述限高顶点和所述限高底点的图像坐标,利用坐标转换计算得到所述限高顶点的世界坐标;
具体地,为了根据限高物体的限高顶点和限高底点之间的距离得到限高物体限制车辆通行的最小高度,在已知像素坐标系下限高顶点和限高底点之间的距离后,由于该距离为以像素为单位的距离,不能直接作为限高物体限制车辆通行的最小高度,在本实施例中,可以将其转换为以米为单位的现实高度。为了得到以米为单位的现实高度,因此就需要将限高顶点和限高底点在图像坐标系下的坐标转换成世界坐标系下的坐标值;其中,限高顶点和限高底点在世界坐标系下的Z轴坐标值即为限高物体的最高点与最低点的现实高度;
根据所述限高顶点的世界坐标获取所述限高高度。
具体地,由于限高顶点和限高底点在世界坐标系下的Z轴坐标值即为限高物体的最高点与最低点的现实高度,由于本实施例中限高物体为限高杆、隧道口或桥墩等,因此可以理解的是,限高底点在世界坐标下的Z轴坐标即限高物体的最低点的现实高度为0,因此只要得到了限高顶点的世界坐标,即只要得到了限高物体的最高点的现实高度,即为限高物体的限高高度。
可选地,在上述实施例的基础上,所述对所述限高顶点和所述限高底点进行去畸变操作,获取所述限高顶点和所述限高底点的图像坐标,具体包括:
基于对采集实时图像的实体相机进行标定得到的内部参数,通过对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,得到所述限高顶点和所述限高底点在理想相机中的图像坐标系中的坐标;
其中,所述实体相机内部参数包括所述实体相机的横轴焦距fx、纵轴焦距fy、主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3]。
具体地,为了对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,首先需要对实体相机进行标定,得到相关内部参数,以帮助进行去畸变计算,具体地,需要得到实体相机的横轴焦距fx、纵轴焦距fy、主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3],并基于这些参数,通过去畸变计算,得到限高顶点和限高底点在理想相机中的图像坐标系中的坐标。
在本实施例中,为了节约成本,实体相机可以为单目相机。在对车载单目相机进行标定时,得到单目相机的内部参数包括所述实体相机的横轴焦距fx、纵轴焦距fy、主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3]、外参旋转矩阵R,外参平移矩阵T;并基于这些参数,通过去畸变计算,得到限高顶点和限高底点在理想相机中的图像坐标系中的坐标。
可选地,在上述实施例的基础上,所述基于对采集实时图像的实体相机进行标定得到的内部参数,通过对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,得到所述限高顶点和所述限高底点在理想相机中的图像坐标系中的坐标,具体包括:
应用下列公式:
un′=x×(1+k1×r2+k2×r4+k3×r6)+2×p1×x×y+p2×(r2+2x2)
vn′=y×(1+k1×r2+k2×r4+k3×r6)+2×p2×x×y+p2×(r2+2y2)
确定限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)和限高底点在理想相机中的图像坐标系中的坐标(uL,vL);
其中,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);(un′,vn′)为限高顶点在实体相机中的图像坐标系中的坐标(uT′,vT′)或限高底点在实体相机中的图像坐标系中的坐标为(uL′,vL′),uT′,vT′,uL′和vL′都为常数,fx为所述实体相机的横轴焦距,fy为所述实体相机的纵轴焦距,(cx,cy)为所述实体相机的主点坐标,[k1,k2,p1,p2,k3]为所述实体相机的畸变系数。
具体地,从理想相机点到畸变点的对应关系如下:
un′=x×(1+k1×r2+k2×r4+k3×r6)+2×p1×x×y+p2×(r2+2x2)
vn′=y×(1+k1×r2+k2×r4+k3×r6)+2×p2×x×y+p2×(r2+2y2)
式中(un,vn)为理想相机中的点的坐标,un′和vn′是畸变后的点的坐标。通过上述公式计算过程的逆过程,就能从畸变的像素点坐标推出其在理想相机的对应点的坐标,达到对畸变的像素点去畸变及修正测高误差的处理;
本实施例中,(un,vn)可以为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT),与之对应的,(un′,vn′)可以为限高顶点在实体相机中的图像坐标系中的坐标为(uT′,vT′),通过上述公式计算过程的逆过程,即可得到限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)。
本实施例中,(un,vn)可以为限高顶点在理想相机中的图像坐标系中的坐标(uL,vL),与之对应的,(un′,vn′)可以为限高顶点在实体相机中的图像坐标系中的坐标为(uL′,vL′),通过上述公式计算过程的逆过程,即可得到限高顶点在理想相机中的图像坐标系中的坐标(uL,vL)。
可选地,在上述实施例的基础上,所述根据所述限高顶点和所述限高底点的图像坐标,利用坐标转换计算得到所述限高顶点的世界坐标,具体包括:
应用下列公式:
确定限高顶点在世界坐标系中的Z轴坐标ZwT;
其中,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);(Xwn,Ywn,Zwn)是坐标为(un,vn)的点在世界坐标系下对应的坐标,Zwn为限高顶点在世界坐标系中的Z轴坐标ZwT或限高底点在世界坐标系中的Z轴坐标ZwL,ZwL是一个常数;Zc为是一个常数;K是所述实体相机的内参矩阵,R是所述实体相机的外参旋转矩阵,T是所述实体相机的外参平移矩阵。
具体地,由于在相机标定时,获得了实体相机的横轴焦距fx,实体相机的纵轴焦距fy,主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3],可进一步得到实体相机的内参矩阵K,实体相机的外参旋转矩阵R,实体相机的外参平移矩阵T,并根据这些参数计算得到限高顶点在世界坐标系中的Z轴坐标ZwT。
具体地,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);
在本实施例中,在将限高顶点和限高底点转换到世界坐标系的计算过程中,(un,vn)为图像坐标系中的坐标,对应的,该点在摄像坐标系中的坐标为(Xcn,Ycn,Zcn),该点在在世界坐标系中的坐标为(Xwn,Ywn,Zwn),R是外参旋转矩阵,T是外参平移矩阵,K是内参矩阵,该点从摄像坐标系到世界坐标系的转换关系如下:
又因为(un,vn)从图像坐标系到摄像坐标系的转换关系如下:
其中,其中f为实体相机的摄像头以毫米为单位的焦距;
由上述公式(1)和公式(2)可得:
此时,Zc为一个常数。
由p-1*p=E可反推图像坐标系转换到世界坐标系的过程,
由第三行为1,可知:
Zc〃M1[2]=Zw+M2[2],从而得到Zc=(Zwn+M2[2])/M1[2];其中,可以理解的是,M1[2]是指M1的第3行元素,M2[2]是指M2的第3行元素;由于限高底点即限高物的最低点在世界坐标中的Z坐标值ZwL=0,可将ZwL=0代入,得到Zc=M2[2]/M1[2]。再基于Zc以及(uT,vT),重新带入上述公式,可以求出限高物体最高点在世界坐标系中的Z轴坐标ZwT,又由于限高物体最低点在世界坐标系中的Z轴坐标ZwL=0,因此由ZwT可以得出限高物体例如限高杆、隧道口或桥墩限制车辆通行的最小高度。
本发明实施例提供的道路限高高度检测方法,通过采集前方道路的实时图像,并对实时图像进行识别,获取实时图像中的限高标识,最后基于限高标识获取前方道路的限高高度,改善了现有技术中限高高度识别精度低的问题,在提高了识别精度的基础上还节约了成本。
图2为本发明另一实施例提供的道路限高高度检测方法流程示意图;如图2所示,所述方法包括:
步骤200,单目相机标定;
具体地,对车载的单目相机进行标定,得到车载的单目相机的部分内部参数,包括实体相机的横轴焦距fx、纵轴焦距fy、主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3]、外参旋转矩阵R,外参平移矩阵T。
步骤201,实时图像采集;
具体地,将单目相机安装在汽车前挡风玻璃内侧,使其保持水平,测量相机的高度;调节标定杠的高度使其与单目相机等高,调节单目相机镜头的位置,使得标定杠顶部与相机的主点坐标(cx,cy)重合;用该单目相机实时采集前方道路环境下的视频图像,得到实时图像。
步骤202,识别限高标识牌;
具体地,采用深度学习目标检测神经网络SSD对对前方道路的实时图像进行识别,判断实时图像中是否有限高标识牌比如限高杆、隧道口或桥墩上等处的限高标识牌。
步骤203,读取限高牌限制高度;
具体地,在识别到实时图像中有限高标识后,进一步地对实时图像中的限高标识进行识别,得到限高标识上的限高高度,即为前方道路的限高高度。
步骤204,检测限高物体,得到分割图像;
具体地,采用deeplabv3+算法对每一帧图像进行背景、限高杆、隧道口和桥墩这四类的分割,将这四类分别填充成四种颜色,得到限高物体的分割图像。
步骤205,获取限高顶点和限高底点;
具体地,在得到限高物体比如限高杆、隧道口或桥墩的分割图像以后,可以利用图像分割处理时填充的颜色作为先验知识,寻找分割图像中限高物体的限高顶点和限高底点,即限高物体的最高点与最低点。
步骤206,对限高顶点和限高底点去畸变;
具体地,在得到了分割图像中限高物体的限高顶点和限高底点,即限高物体的最高点与最低点后,由于相机镜头存在一定的畸变,可以对限高顶点和限高底点进行去除畸变的操作,得到限高顶点和限高底点在理想相机下的像素点的图像坐标。本实施例中,只对限高顶点和限高底点进行去畸变的运算而不是对一帧图片所有像素点进行重映射计算,大大减小了运算量。
本实施例中,从理想相机点到畸变点的对应关系如下:
un′=x×(1+k1×r2+k2×r4+k3×r6)+2×p1×x×y+p2×(r2+2x2)
vn′=y×(1+k1×r2+k2×r4+k3×r6)+2×p2×x×y+p2×(r2+2y2)
式中(un,vn)为理想相机中的点的坐标,un′和vn′是畸变后的点的坐标。通过上述公式计算过程的逆过程,就能从畸变的像素点坐标推出其在理想相机的对应点的坐标,达到对畸变的像素点去畸变及修正测高误差的处理;
本实施例中,(un,vn)可以为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT),与之对应的,(un′,vn′)可以为限高顶点在实体相机中的图像坐标系中的坐标为(uT′,vT′),通过上述公式计算过程的逆过程,即可得到限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)。
本实施例中,(un,vn)可以为限高顶点在理想相机中的图像坐标系中的坐标(uL,vL),与之对应的,(un′,vn′)可以为限高顶点在实体相机中的图像坐标系中的坐标为(uL′,vL′),通过上述公式计算过程的逆过程,即可得到限高顶点在理想相机中的图像坐标系中的坐标(uL,vL)。
步骤207,转换到世界坐标系,求得限高高度。
具体地,在将限高顶点和限高底点的图像坐标转换到世界坐标系的坐标的计算过程中,(un,vn)为图像坐标系中的坐标,对应的,在摄像坐标系中的坐标为(Xcn,Ycn,Zcn),在世界坐标系中的坐标为(Xwn,Ywn,Zwn),R是外参旋转矩阵,T是外参平移矩阵,K是内参矩阵,该点从摄像坐标系到世界坐标系的转换关系如下:
又因为(un,vn)从图像坐标系到摄像坐标系的转换关系如下:
其中,其中f为实体相机的摄像头的以毫米为单位的焦距;
由上述公式(1)和公式(2)可得:
此时,Zc为一个常数。
由p-1*p=E可反推图像坐标系转换到世界坐标系的过程,
由第三行为1,可知:
Zc〃M1[2]=Zw+M2[2],从而得到Zc=(Zwn+M2[2])/M1[2];其中,可以理解的是,M1[2]是指M1的第3行元素,M2[2]是指M2的第3行元素;于限高底点即限高物的最低点在世界坐标中的Z坐标值Zw=0,可将Zw=0代入,得到Zc=M2[2]/M1[2]。再基于Zc以及(uT,vT),可以求出限高物体最高点在世界坐标系中的Z轴坐标ZwT,又由于限高物体最低点在世界坐标系中的Z轴坐标ZwL=0,因此由ZwT可以得出限高物体例如限高杆、隧道口或桥墩限制车辆通行的最小高度。
图3为本发明一实施例提供的道路限高高度检测装置结构示意图;如图3所示,本发明实施例提供的道路限高高度检测装置,包括采集模块301,识别模块302和高度获取模块303。
采集模块301,用于采集前方道路的实时图像;
识别模块302,用于对所述实时图像进行识别,获取所述实时图像中用于记录前方道路限高高度的限高标识;
高度获取模块303,用于基于所述限高标识,获取前方道路的限高高度。
具体地,道路限高高度检测装置通过采集模块301采集到的前方道路的实时图像,然后通过识别模块302对实时图像进行识别,若识别到实时图像中用于记录前方道路限高高度的限高标识,则通过高度获取模块303基于限高标识,获取前方道路的限高高度。
本发明实施例提供的道路限高高度检测装置,通过采集前方道路的实时图像,并对实时图像进行识别,获取实时图像中的限高标识,最后基于限高标识获取前方道路的限高高度,改善了现有技术中限高高度识别精度低的问题,在提高了识别精度的基础上还节约了成本。
图4为本发明一实施例提供的电子设备的实体结构示意图,如图4所示,该设备包括存储器(memory)430、处理器(processor)410及存储在存储器430上并可在处理器410上运行的计算机程序,其中,存储器430和处理器410通过通信总线440完成相互间的通信,处理器410执行所述程序时实现如下步骤:
采集前方道路的实时图像;
对所述实时图像进行识别,若识别到所述实时图像中用于记录前方道路限高高度的限高标识,则获取所述限高标识;
基于所述限高标识,获取前方道路的限高高度。
此外,上述的存储器430中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
处理器410执行所述程序所涉及的方法流程,具体可以参将上述方法实施例,此处不再赘述。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的数据传输处理方法流程,其具体的功能和流程可以详见上述方法实施例,此处不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种道路限高高度检测方法,其特征在于,包括:
采集前方道路的实时图像;
对所述实时图像进行识别,若识别到所述实时图像中用于记录前方道路限高高度的限高标识,则获取所述限高标识;
基于所述限高标识,获取前方道路的限高高度;
若未识别到所述限高标识,则对所述实时图像进行分割处理,得到前方道路中的限高物体的分割图像;
获取所述分割图像中限高物体的限高顶点和限高底点;
根据所述限高顶点和所述限高底点,获取前方道路的限高高度;
所述获取所述分割图像中限高物体的限高顶点和限高底点,具体包括:
基于所述实时图像中限高物体的类别和背景,采用deeplabv3+算法对所述实时图像进行分割,将所述实时图像中不同类别的限高物体和背景分别填充不同的颜色,并利用所述不同的颜色作为先验知识,寻找所述限高物体的最小内接矩形;
根据所述限高物体在所述分割图像中的最小内接矩形,确定所述限高顶点和所述限高底点;
其中,所述限高物体的类别包括以下一项或多项:
限高杆、隧道口、桥墩。
2.根据权利要求1所述的道路限高高度检测方法,其特征在于,所述根据所述限高顶点和所述限高底点,获取前方道路的限高高度,具体包括:
对所述限高顶点和所述限高底点进行去畸变操作,获取所述限高顶点和所述限高底点的图像坐标;
根据所述限高顶点和所述限高底点的图像坐标,利用坐标转换计算得到所述限高顶点的世界坐标;
根据所述限高顶点的世界坐标获取所述限高高度。
3.根据权利要求2所述的道路限高高度检测方法,其特征在于,所述对所述限高顶点和所述限高底点进行去畸变操作,获取所述限高顶点和所述限高底点的图像坐标,具体包括:
基于对采集实时图像的实体相机进行标定得到的内部参数,通过对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,得到所述限高顶点和所述限高底点在理想相机中的图像坐标系中的坐标;
其中,所述实体相机内部参数包括所述实体相机的横轴焦距fx、纵轴焦距fy、主点坐标(cx,cy)和畸变系数[k1,k2,p1,p2,k3]。
4.根据权利要求3所述的道路限高高度检测方法,其特征在于,所述基于对采集实时图像的实体相机进行标定得到的内部参数,通过对所述限高顶点和所述限高底点在所述实体相机中的图像坐标系中的坐标进行去畸变计算,得到所述限高顶点和所述限高底点在理想相机中的图像坐标系中的坐标,具体包括:
应用下列公式:
un′=x×(1+k1×r2+k2×r4+k3×r6)+2×p1×x×y+p2×(r2+2x2)
vn′=y×(1+k1×r2+k2×r4+k3×r6)+2×p2×x×y+p2×(r2+2y2)
确定限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)和限高底点在理想相机中的图像坐标系中的坐标(uL,vL);
其中,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);(un′,vn′)为限高顶点在实体相机中的图像坐标系中的坐标(uT′,vT′)或限高底点在实体相机中的图像坐标系中的坐标为(uL′,vL′),uT′,vT′,uL′和vL′都为常数,fx为所述实体相机的横轴焦距,fy为所述实体相机的纵轴焦距,(cx,cy)为所述实体相机的主点坐标,[k1,k2,p1,p2,k3]为所述实体相机的畸变系数。
5.根据权利要求3或4所述的道路限高高度检测方法,其特征在于,所述根据所述限高顶点和所述限高底点的图像坐标,利用坐标转换计算得到所述限高顶点的世界坐标,具体包括:
应用下列公式:
确定限高顶点在世界坐标系中的Z轴坐标ZwT;
其中,(un,vn)为限高顶点在理想相机中的图像坐标系中的坐标(uT,vT)或限高底点在理想相机中的图像坐标系中的坐标为(uL,vL);(Xwn,Ywn,Zwn)是坐标为(un,vn)的点在世界坐标系下对应的坐标,Zwn为限高顶点在世界坐标系中的Z轴坐标ZwT或限高底点在世界坐标系中的Z轴坐标ZwL,ZwL是一个常数;Zc为是一个常数;K是所述实体相机的内参矩阵,R是所述实体相机的外参旋转矩阵,T是所述实体相机的外参平移矩阵。
6.一种道路限高高度检测装置,其特征在于,包括:
采集模块,用于采集前方道路的实时图像;
识别模块,用于对所述实时图像进行识别,获取所述实时图像中用于记录前方道路限高高度的限高标识;
高度获取模块,用于基于所述限高标识,获取前方道路的限高高度;
第一分割模块,用于若未识别到所述限高标识,则对所述实时图像进行分割处理,得到前方道路中的限高物体的分割图像;
第一获取模块,用于获取所述分割图像中限高物体的限高顶点和限高底点;
第二获取模块,用于根据所述限高顶点和所述限高底点,获取前方道路的限高高度;
所述第一获取模块还用于基于所述实时图像中限高物体的类别和背景,采用deeplabv3+算法对所述实时图像进行分割,将所述实时图像中不同类别的限高物体和背景分别填充不同的颜色,并利用所述不同的颜色作为先验知识,寻找所述限高物体的最小内接矩形;
根据所述限高物体在所述分割图像中的最小内接矩形,确定所述限高顶点和所述限高底点;
其中,所述限高物体的类别包括以下一项或多项:
限高杆、隧道口、桥墩。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述道路限高高度检测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述道路限高高度检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291488.3A CN111539279B (zh) | 2020-04-14 | 2020-04-14 | 道路限高高度检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291488.3A CN111539279B (zh) | 2020-04-14 | 2020-04-14 | 道路限高高度检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539279A CN111539279A (zh) | 2020-08-14 |
CN111539279B true CN111539279B (zh) | 2023-08-15 |
Family
ID=71975129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291488.3A Active CN111539279B (zh) | 2020-04-14 | 2020-04-14 | 道路限高高度检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539279B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163466B (zh) * | 2020-09-11 | 2024-03-15 | 杭州鸿泉物联网技术股份有限公司 | 一种基于uwb的限高高度确定方法、装置和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5880723A (en) * | 1996-04-30 | 1999-03-09 | Driskell; Stanley W. | Method to assess the physical effort to acquire physical targets |
WO2013026205A1 (en) * | 2011-08-25 | 2013-02-28 | Harman International (Shanghai) Management Co., Ltd. | System and method for detecting and recognizing rectangular traffic signs |
CN203637686U (zh) * | 2013-12-05 | 2014-06-11 | 长安大学 | 一种交通设施通过高度的自测车载装置 |
CN104527427A (zh) * | 2014-12-23 | 2015-04-22 | 广东好帮手电子科技股份有限公司 | 基于行车录像仪的限速标识识别及车速控制方法及系统 |
CN108460171A (zh) * | 2017-11-08 | 2018-08-28 | 安徽省交通控股集团有限公司 | 一种管型涵洞截面的三连弧设计方法 |
KR20180124285A (ko) * | 2017-05-11 | 2018-11-21 | 조희덕 | 튜브형 삼상궤도 진공 자기부상 이동 시스템 |
CN109409311A (zh) * | 2018-11-07 | 2019-03-01 | 上海为森车载传感技术有限公司 | 一种基于双目立体视觉的限高预警方法 |
CN110136441A (zh) * | 2019-05-17 | 2019-08-16 | 广州小鹏汽车科技有限公司 | 车辆限高控制方法、装置、存储介质及汽车控制终端 |
CN110207650A (zh) * | 2019-05-31 | 2019-09-06 | 重庆迪星天科技有限公司 | 基于双目视觉的车用公路限高架高度测量方法及装置 |
CN110940319A (zh) * | 2019-10-21 | 2020-03-31 | 广东互动电子网络媒体有限公司 | 一种基于机器视觉识别的限高检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9269263B2 (en) * | 2012-02-24 | 2016-02-23 | Magna Electronics Inc. | Vehicle top clearance alert system |
WO2017090326A1 (ja) * | 2015-11-27 | 2017-06-01 | 株式会社リコー | 画像処理装置、撮像装置、機器制御システム、分布データ生成方法、及びプログラム |
US10444759B2 (en) * | 2017-06-14 | 2019-10-15 | Zoox, Inc. | Voxel based ground plane estimation and object segmentation |
-
2020
- 2020-04-14 CN CN202010291488.3A patent/CN111539279B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5880723A (en) * | 1996-04-30 | 1999-03-09 | Driskell; Stanley W. | Method to assess the physical effort to acquire physical targets |
WO2013026205A1 (en) * | 2011-08-25 | 2013-02-28 | Harman International (Shanghai) Management Co., Ltd. | System and method for detecting and recognizing rectangular traffic signs |
CN203637686U (zh) * | 2013-12-05 | 2014-06-11 | 长安大学 | 一种交通设施通过高度的自测车载装置 |
CN104527427A (zh) * | 2014-12-23 | 2015-04-22 | 广东好帮手电子科技股份有限公司 | 基于行车录像仪的限速标识识别及车速控制方法及系统 |
KR20180124285A (ko) * | 2017-05-11 | 2018-11-21 | 조희덕 | 튜브형 삼상궤도 진공 자기부상 이동 시스템 |
CN108460171A (zh) * | 2017-11-08 | 2018-08-28 | 安徽省交通控股集团有限公司 | 一种管型涵洞截面的三连弧设计方法 |
CN109409311A (zh) * | 2018-11-07 | 2019-03-01 | 上海为森车载传感技术有限公司 | 一种基于双目立体视觉的限高预警方法 |
CN110136441A (zh) * | 2019-05-17 | 2019-08-16 | 广州小鹏汽车科技有限公司 | 车辆限高控制方法、装置、存储介质及汽车控制终端 |
CN110207650A (zh) * | 2019-05-31 | 2019-09-06 | 重庆迪星天科技有限公司 | 基于双目视觉的车用公路限高架高度测量方法及装置 |
CN110940319A (zh) * | 2019-10-21 | 2020-03-31 | 广东互动电子网络媒体有限公司 | 一种基于机器视觉识别的限高检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
A Shape Detection Method Based on the Radial Symmetry Nature and Direction-Discriminated Voting;Gang Wu et.al;《2007 IEEE International Conference on Image Processing》;169-172 * |
Also Published As
Publication number | Publication date |
---|---|
CN111539279A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN111291676B (zh) | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN107738612B (zh) | 基于全景视觉辅助系统的自动泊车停车位检测与识别系统 | |
CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
Labayrade et al. | In-vehicle obstacles detection and characterization by stereovision | |
US10909395B2 (en) | Object detection apparatus | |
CN109871776B (zh) | 全天候车道线偏离的预警方法 | |
US20200160561A1 (en) | Vehicle-mounted camera pose estimation method, apparatus, and system, and electronic device | |
CN112329747B (zh) | 基于视频识别和深度学习的车辆参数检测方法及相关装置 | |
CN114359181B (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及系统 | |
CN111210477A (zh) | 一种运动目标的定位方法及系统 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
CN107688174A (zh) | 一种图像测距方法、系统、存储介质和车载视觉感知设备 | |
CN110991264A (zh) | 前方车辆检测方法和装置 | |
CN115717894A (zh) | 一种基于gps和普通导航地图的车辆高精度定位方法 | |
CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
CN114092683A (zh) | 基于视觉反馈和深度网络的轮胎变形量识别方法及装置 | |
Lion et al. | Smart speed bump detection and estimation with kinect | |
CN111539279B (zh) | 道路限高高度检测方法、装置、设备及存储介质 | |
CN114663859A (zh) | 灵敏准确的复杂路况车道偏移实时预警系统 | |
Leu et al. | High speed stereo vision based automotive collision warning system | |
Barua et al. | An Efficient Method of Lane Detection and Tracking for Highway Safety | |
CN116740657A (zh) | 一种基于相似三角形的目标检测以及测距方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Road height limit detection method, device, equipment, and storage medium Effective date of registration: 20240103 Granted publication date: 20230815 Pledgee: Bank of Hangzhou Limited by Share Ltd. science and Technology Branch Pledgor: HANGZHOU HOPECHART IOT TECHNOLOGY Co.,Ltd. Registration number: Y2023980075676 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |